神经生理学上有意义的运动图像EEG模拟与数据增强应用

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 基于运动图像的脑计算机接口 (MI-BCI) 显示出神经康复和神经假体的前景.
• 在脑电图 (EEG) 中准确的MI模式识别受到数据问题和深度学习 (DL) 大规模,用户特定的MI-EEG数据获取方面的挑战所限制.
• 现有的EEG信号生成方法缺乏神经生理学上的可信性和用于数据增强的特定用户集成.

研究的目的:

• 引入PySimMIBCI,这是一个创新的框架,用于生成现实的,神经生理学上可信的MI-EEG信号.
• 通过提供模拟数据来解决MI-BCI研究中的数据局限性,用于模型验证和增强.
• 将用户特定的神经生理信息整合到数据生成过程中.

主要方法:

• 开发了PySimMIBCI,这是一个框架,将神经生理活动整合到生物物理前模型中,以模拟MI-EEG信号.
• 在生成的EEG数据中嵌入不同用户能力和疲劳效应的模拟.
• 利用模拟的用户特定数据用于新的数据增强策略.

主要成果:

• 模拟的MI-EEG数据与真实的EEG数据具有很高的相似性.
• 使用PySimMIBCI生成数据的数据增强策略显著超过了最先进的增强方法.
• 用拟议的增强策略进行训练的深度学习模型显示性能提升高达15%.

结论:

• PySimMIBCI为生成现实的MI-EEG数据提供了一个有价值的工具,克服了现实世界数据采集的局限性.
• 模拟的神经生理学上可信的数据有效地作为MI-BCI研究的数据增强资源.
• 该框架促进了MI-BCI应用程序的深度学习模型的改进培训和性能.